AI Agent

核心概念：

AI Agent是基于人工智能技术能够感知环境状态，理解目标需求，自主规划决策，执行操作并接受反馈，最终闭环完成任务的“自主智能体”

简单来说：

FunctionCalling 是“模型的工具手“。

MCP是工具的连接线。

Agent是有大脑，有手，有记忆的高级智能体。

架构模式：

以ReAct 框架实现（通常来说）

核心定义：React Agent是以（Reasoning + Action，思维 + 行动） 框架为核心驱动的AI智能体。

通过思维推理（Reasoning）->工具行动（Action）->感知结果（Observation）的短周期循环替代传统的“先完整规划，再执行”模式的智能体。

核心组件：

组件	核心职责
思维模块	基于用户需求，历史上下文，生成显示思维链和行动指令
行动模块	解析行动指令，调动外部工具/系统，返回执行结果
感知模块	收集工具执行结果，用户反馈，环境变化，转化为LLM可理解的结构化信息
记忆模块	存储历史链接，行动记录，工具结果，支持多轮循环的上下文连贯性

流程图：

CODE1

{
  "thought": "用户需要查广州今日气温并推荐穿搭，穿搭依赖实时气温，需先调用天气工具",
  "action": {
    "name": "get_weather",
    "parameters": {"city": "广州", "date": "今日"}
  }
}

CODE2

{
  "temperature": "18-25℃",
  "condition": "晴转多云",
  "humidity": "60%"
}

提示词模板：

你是一个 React 智能助手，需通过“思维→行动→感知”循环完成任务。
规则：
1. 思维（Thought）：明确当前目标、已完成事项、下一步要做什么及原因；
2. 行动（Action）：若需调用工具，输出 {"name":"工具名","parameters":{"参数名":"值"}}；若无需工具，直接输出最终回答；
3. 感知（Observation）：工具执行结果会告诉你，无需猜测。
​
可用工具：
- get_weather(city, date)：查询指定城市指定日期的天气，返回气温、天气状况、湿度。
​
用户需求：广州今天多少度？该穿什么衣服？